使用百度EasyDL实现智能垃圾箱

项目说明
业务背景
2017年3月底，国家发展改革委、住建部共同发布了《生活垃圾分类制度实施方案》，要求在直辖市、省会城市、计划单列市以及第一批生活垃圾分类示范城市，先行实施生活垃圾强制分类工作。但是距离居民养成垃圾分类的习惯，这条路还很长，日本花了27年，德国花了40年。因此对于居民的垃圾分类监控，辅助分类等成为了政府、环保部门的痛点问题。某江浙地区的环保科技公司希望通过AI能力对居民投放的垃圾进行分类，以智能垃圾箱的形态来监管居民的垃圾投放以及建立垃圾回收的生态。

业务难点
AI模型的训练需要有图片对应标注的数据集，海量的垃圾图片需要进行标注，成本高，且人工标注效率低；模型效果调优周期长，需要反复添加数据进行模型迭代，效率低下；智能垃圾箱处于户外，联网条件不稳定，需要边缘硬件部署AI能力，批量硬件部署成本高，部署效率低下。

解决方案
使用EasyDL图像分类任务，无需了解AI算法知识，提交少量图片进行训练，很快即可获得能够识别各类垃圾照片的AI模型。标注少量数据后可使用智能标注功能，完成大量原始数据的标注，来进行模型训练与迭代。EasyDL还提供软硬一体方案，将AI模型部署在性价比高的百度EdgeBoard智算盒，多路摄像头分别对应不同垃圾箱传送带推理，高性能进行AI应用，满足实施识别居民垃圾投放的场景需求。

数据准备
数据采集
客户最终的应用场景是在智能垃圾箱中提供投放的垃圾分类功能，因此数据采集的照片要尽量贴合用户拍摄的场景，具备真实性，包含多种光照条件（一定需要包括早/晚/开灯/未开灯的情况），这样才能保证训练模型的效果。切勿使用网络图片进行训练。
应用场景需要对「厨余垃圾」、「可回收垃圾」、「有害垃圾」、「其他垃圾」进行分类，而同种垃圾类别下的不同物品之间的视觉感官差异太大，如果将所有「厨余垃圾」定义为同一种标签，AI识别效果会比较差，例如猪肉和白菜同时定义为厨余垃圾，但AI识别时可能猪肉和白菜的识别效果都不尽人意。因此我们需